🚀
Incheol's TECH BLOG
  • Intro
  • Question & Answer
    • JAVA
      • JVM
      • String, StringBuffer, StringBuilder
      • JDK 17일 사용한 이유(feat. JDK 8 이후 훑어보기)
      • 스택 오버 플로우(SOF)
      • 블럭킹 | 논블럭킹 | 동기 | 비동기
      • 병렬처리를 이용한 이미지 리사이즈 개선
      • heap dump 분석하기 (feat. OOM)
      • G1 GC vs Z GC
      • JIT COMPILER
      • ENUM
      • STATIC
      • Thread(쓰레드)
      • hashCode()와 equals()
      • JDK 8 특징
      • break 와 continue 사용
      • STREAM
      • Optional
      • 람다와 클로저
      • Exception(예외)
      • Garbage Collector
      • Collection
      • Call by Value & Call by Reference
      • 제네릭(Generic)
    • SPRING
      • Spring 특징
      • N+1 문제
      • 테스트 코드 어디까지 알아보고 오셨어요?
      • 테스트 코드 성능 개선기
      • RestTemplate 사용시 주의사항
      • 동시성 해결하기(feat. TMI 주의)
      • redisson trylock 내부로직 살펴보기
      • DB 트래픽 분산시키기(feat. Routing Datasource)
      • OSIV
      • @Valid 동작 원리
      • mybatis @Builder 주의사항
      • 스프링 클라우드 컨피그 갱신 되지 않는 이슈(feat. 서비스 디스커버리)
      • ImageIO.read 동작하지 않는 경우
      • 카프카 transaction 처리는 어떻게 해야할까?
      • Spring Boot 특징
      • Spring 5 특징
      • JPA vs MyBatis
      • Filter와 Interceptor
      • 영속성 컨텍스트(Persistence Context)
      • @Transactional
      • @Controlleradvice, @ExceptionHandler
      • Spring Security
      • Dispatcher Servlet
      • @EnableWebMvc
      • Stereo Type(스테레오 타입)
      • AOP
      • JPA Repository 규칙
    • DATABASE
      • Database Index
      • SQL vs NoSQL
      • DB 교착상태
      • Isolation level
      • [MySQL] 이모지 저장은 어떻게 하면 좋을까?
      • SQL Hint
      • JOIN
    • INFRA
      • CLOUD COMPUTING
      • GIT
      • DOCKER
      • 카프카 찍먹하기 1부
      • 카프카 찍먹하기 2부 (feat. 프로듀서)
      • 카프카 찍먹하기 3부 (feat. 컨슈머)
      • JENKINS
      • POSTMAN
      • DNS 동작 원리
      • ALB, NLB,ELB 차이는?
      • 카프카 파티션 주의해서 사용하자
      • DEVOPS
      • JWT
      • OSI 7 Layer
      • MSA
      • 서비스 디스커버리는 어떻게 서비스 등록/해제 하는걸까?
      • 핀포인트 사용시 주의사항!! (feat 로그 파일 사이즈)
      • AWS EC2 도메인 설정 (with ALB)
      • ALB에 SSL 설정하기(feat. ACM)
      • 람다를 활용한 클라우드 와치 알림 받기
      • AWS Personalize 적용 후기… 😰
      • CloudFront를 활용한 S3 성능 및 비용 개선
    • ARCHITECTURE
      • 객체지향과 절차지향
      • 상속보단 합성
      • SOLID 원칙
      • 캡슐화
      • DDD(Domain Driven Design)
    • COMPUTER SCIENCE
      • 뮤텍스와 세마포어
      • Context Switch
      • REST API
      • HTTP HEADER
      • HTTP METHOD
      • HTTP STATUS
    • CULTURE
      • AGILE(Feat. 스크럼)
      • 우리는 성장 할수 있을까? (w. 함께 자라기)
      • Expert Beginner
    • SEMINAR
      • 2022 INFCON 후기
        • [104호] 사이드 프로젝트 만세! - 기술만큼 중요했던 제품과 팀 성장기
        • [102호] 팀을 넘어서 전사적 협업 환경 구축하기
        • [103호] 코드 리뷰의 또 다른 접근 방법: Pull Requests vs. Stacked Changes
        • [105호] 실전! 멀티 모듈 프로젝트 구조와 설계
        • [105호] 지금 당장 DevOps를 해야 하는 이유
        • [102호] (레거시 시스템) 개편의 기술 - 배달 플랫폼에서 겪은 N번의 개편 경험기
        • [102호] 서버비 0원, 클라우드 큐 도입으로 해냈습니다!
  • STUDY
    • 오브젝트
      • 1장 객체, 설계
      • 2장 객체지향 프로그래밍
      • 3장 역할, 책임, 협력
      • 4장 설계 품질과 트레이드 오프
      • 5장 책임 할당하기
      • 6장 메시지와 인터페이스
      • 7징 객체 분해
      • 8장 의존성 관리하기
      • 9장 유연한 설계
      • 10장 상속과 코드 재사용
      • 11장 합성과 유연한 설계
      • 12장 다형성
      • 13장 서브클래싱과 서브타이핑
      • 14장 일관성 있는 협력
      • 15장 디자인 패턴과 프레임워크
      • 마무리
    • 객체지향의 사실과 오해
      • 1장 협력하는 객체들의 공동체
      • 2장 이상한 나라의 객체
      • 3장 타입과 추상화
      • 4장 역할, 책임, 협력
    • JAVA ORM JPA
      • 1장 JPA 소개
      • 2장 JPA 시작
      • 3장 영속성 관리
      • 4장 엔티티 매핑
      • 5장 연관관계 매핑 기초
      • 6장 다양한 연관관계 매핑
      • 7장 고급 매핑
      • 8장 프록시와 연관관계 관리
      • 9장 값 타입
      • 10장 객체지향 쿼리 언어
      • 11장 웹 애플리케이션 제작
      • 12장 스프링 데이터 JPA
      • 13장 웹 애플리케이션과 영속성 관리
      • 14장 컬렉션과 부가 기능
      • 15장 고급 주제와 성능 최적화
      • 16장 트랜잭션과 락, 2차 캐시
    • 토비의 스프링 (3.1)
      • 스프링의 이해와 원리
        • 1장 오브젝트와 의존관계
        • 2장 테스트
        • 3장 템플릿
        • 4장 예외
        • 5장 서비스 추상화
        • 6장 AOP
        • 8장 스프링이란 무엇인가?
      • 스프링의 기술과 선택
        • 5장 AOP와 LTW
        • 6장 테스트 컨텍스트 프레임워크
    • 클린코드
      • 1장 깨끗한 코드
      • 2장 의미 있는 이름
      • 3장 함수
      • 4장 주석
      • 5장 형식 맞추기
      • 6장 객체와 자료 구조
      • 9장 단위 테스트
    • 자바 트러블슈팅(with scouter)
      • CHAP 01. 자바 기반의 시스템에서 발생할 수 있는 문제들
      • CHAP 02. scouter 살펴보기
      • CHAP 03. scouter 설정하기(서버 및 에이전트)
      • CHAP 04. scouter 클라이언트에서 제공하는 기능들
      • CHAP 05. scouter XLog
      • CHAP 06. scouter 서버/에이전트 플러그인
      • CHAP 07. scouter 사용 시 유용한 팁
      • CHAP 08. 스레드 때문에(스레드에서) 발생하는 문제들
      • CHAP 09. 스레드 단면 잘라 놓기
      • CHAP 10. 잘라 놓은 스레드 단면 분석하기
      • CHAP 11. 스레드 문제
      • CHAP 12. 메모리 때문에 발생할 수 있는 문제들
      • CHAP 13. 메모리 단면 잘라 놓기
      • CHAP 14. 잘라 놓은 메모리 단면 분석하기
      • CHAP 15. 메모리 문제(Case Study)
      • CHAP 24. scouter로 리소스 모니터링하기
      • CHAP 25. 장애 진단은 이렇게 한다
      • 부록 A. Fatal error log 분석
      • 부록 B. 자바 인스트럭션
    • 테스트 주도 개발 시작하기
      • CHAP 02. TDD 시작
      • CHAP 03. 테스트 코드 작성 순서
      • CHAP 04. TDD/기능 명세/설계
      • CHAP 05. JUnit 5 기초
      • CHAP 06. 테스트 코드의 구성
      • CHAP 07. 대역
      • CHAP 08. 테스트 가능한 설계
      • CHAP 09. 테스트 범위와 종류
      • CHAP 10. 테스트 코드와 유지보수
      • 부록 A. Junit 5 추가 내용
      • 부록 C. Mockito 기초 사용법
      • 부록 D. AssertJ 소개
    • KOTLIN IN ACTION
      • 1장 코틀린이란 무엇이며, 왜 필요한가?
      • 2장 코틀린 기초
      • 3장 함수 정의와 호출
      • 4장 클래스, 객체, 인터페이스
      • 5장 람다로 프로그래밍
      • 6장 코틀린 타입 시스템
      • 7장 연산자 오버로딩과 기타 관례
      • 8장 고차 함수: 파라미터와 반환 값으로 람다 사용
      • 9장 제네릭스
      • 10장 애노테이션과 리플렉션
      • 부록 A. 코틀린 프로젝트 빌드
      • 부록 B. 코틀린 코드 문서화
      • 부록 D. 코틀린 1.1과 1.2, 1.3 소개
    • KOTLIN 공식 레퍼런스
      • BASIC
      • Classes and Objects
        • Classes and Inheritance
        • Properties and Fields
    • 코틀린 동시성 프로그래밍
      • 1장 Hello, Concurrent World!
      • 2장 코루틴 인 액션
      • 3장 라이프 사이클과 에러 핸들링
      • 4장 일시 중단 함수와 코루틴 컨텍스트
      • 5장 이터레이터, 시퀀스 그리고 프로듀서
      • 7장 스레드 한정, 액터 그리고 뮤텍스
    • EFFECTIVE JAVA 3/e
      • 객체 생성과 파괴
        • 아이템1 생성자 대신 정적 팩터리 메서드를 고려하라
        • 아이템2 생성자에 매개변수가 많다면 빌더를 고려하라
        • 아이템3 private 생성자나 열거 타입으로 싱글턴임을 보증하라
        • 아이템4 인스턴스화를 막으려거든 private 생성자를 사용하라
        • 아이템5 자원을 직접 명시하지 말고 의존 객체 주입을 사용하라
        • 아이템6 불필요한 객체 생성을 피하라
        • 아이템7 다 쓴 객체 참조를 해제하라
        • 아이템8 finalizer와 cleaner 사용을 피하라
        • 아이템9 try-finally보다는 try-with-resources를 사용하라
      • 모든 객체의 공통 메서드
        • 아이템10 equals는 일반 규약을 지켜 재정의하라
        • 아이템11 equals를 재정의 하려거든 hashCode도 재정의 하라
        • 아이템12 toString을 항상 재정의하라
        • 아이템13 clone 재정의는 주의해서 진행해라
        • 아이템14 Comparable을 구현할지 고려하라
      • 클래스와 인터페이스
        • 아이템15 클래스와 멤버의 접근 권한을 최소화하라
        • 아이템16 public 클래스에서는 public 필드가 아닌 접근자 메서드를 사용하라
        • 아이템17 변경 가능성을 최소화하라
        • 아이템18 상속보다는 컴포지션을 사용하라
        • 아이템19 상속을 고려해 설계하고 문서화하라. 그러지 않았다면 상속을 금지하라
        • 아이템20 추상 클래스보다는 인터페이스를 우선하라
        • 아이템21 인터페이스는 구현하는 쪽을 생각해 설계하라
        • 아이템22 인터페이스 타입을 정의하는 용도로만 사용하라
        • 아이템23 태그 달린 클래스보다는 클래스 계층구조를 활용하라
        • 아이템24 멤버 클래스는 되도록 static으로 만들라
        • 아이템25 톱레벨 클래스는 한 파일에 하나만 담으라
      • 제네릭
        • 아이템26 로 타입은 사용하지 말라
        • 아이템27 비검사 경고를 제거하라
        • 아이템28 배열보다는 리스트를 사용하라
        • 아이템29 이왕이면 제네릭 타입으로 만들라
        • 아이템30 이왕이면 제네릭 메서드로 만들라
        • 아이템31 한정적 와일드카드를 사용해 API 유연성을 높이라
        • 아이템32 제네릭과 가변인수를 함께 쓸 때는 신중하라
        • 아이템33 타입 안전 이종 컨테이너를 고려하라
      • 열거 타입과 애너테이션
        • 아이템34 int 상수 대신 열거 타입을 사용하라
        • 아이템35 ordinal 메서드 대신 인스턴스 필드를 사용하라
        • 아이템36 비트 필드 대신 EnumSet을 사용하라
        • 아이템37 ordinal 인덱싱 대신 EnumMap을 사용하라
        • 아이템38 확장할 수 있는 열거 타입이 필요하면 인터페이스를 사용하라
        • 아이템 39 명명 패턴보다 애너테이션을 사용하라
        • 아이템40 @Override 애너테이션을 일관되게 사용하라
        • 아이템41 정의하려는 것이 타입이라면 마커 인터페이스를 사용하라
      • 람다와 스트림
        • 아이템46 스트림에는 부작용 없는 함수를 사용하라
        • 아이템47 반환 타입으로는 스트림보다 컬렉션이 낫다
        • 아이템48 스트림 병렬화는 주의해서 적용하라
      • 메서드
        • 아이템49 매개변수가 유효한지 검사하라
        • 아이템50 적시에 방어적 본사본을 만들라
        • 아이템53 가변인수는 신중히 사용하라
        • 아이템 54 null이 아닌, 빈 컬렉션이나 배열을 반환하라
        • 아이템56 공개된 API 요소에는 항상 문서화 주석을 작성하라
      • 일반적인 프로그래밍 원칙
        • 아이템56 공개된 API 요소에는 항상 문서화 주석을 작성하라
        • 아이템57 지역변수의 범위를 최소화하라
        • 아이템 60 정확한 답이 필요하다면 float와 double은 피하라
      • 예외
        • 아이템 73 추상화 수준에 맞는 예외를 던지라
        • 아이템 74 메서드가 던지는 모든 예외를 문서화하라
      • 동시성
        • 아이템78 공유 중인 가변 데이터는 동기화해 사용하라
        • 아이템79 과도한 동기화는 피하라
        • 아이템 80 스레드보다는 실행자, 태스크, 스트림을 애용하라
      • 직렬화
        • 아이템 87 커스텀 직렬화 형태를 고려해보라
    • Functional Programming in Java
      • Chap 01. 헬로, 람다 표현식
      • Chap 02. 컬렉션의 사용
      • Chap 03. String, Comparator, 그리고 filter
      • Chap 04. 람다 표현식을 이용한 설계
      • CHAP 05. 리소스를 사용한 작업
      • CHAP 06. 레이지
      • CHAP 07. 재귀 호출 최적화
      • CHAP 08. 람다 표현식의 조합
      • CHAP 09. 모든 것을 함께 사용해보자
      • 부록 1. 함수형 인터페이스의 집합
      • 부록 2. 신택스 오버뷰
    • 코틀린 쿡북
      • 2장 코틀린 기초
      • 3장 코틀린 객체지향 프로그래밍
      • 4장 함수형 프로그래밍
      • 5장 컬렉션
      • 6장 시퀀스
      • 7장 영역 함수
      • 9장 테스트
      • 10장 입력/출력
      • 11장 그 밖의 코틀린 기능
    • DDD START!
      • 1장 도메인 모델 시작
      • 2장 아키텍처 개요
      • 3장 애그리거트
      • 4장 리포지터리와 모델구현(JPA 중심)
      • 5장 리포지터리의 조회 기능(JPA 중심)
      • 6장 응용 서비스와 표현 영역
      • 7장 도메인 서비스
      • 8장 애그리거트 트랜잭션 관리
      • 9장 도메인 모델과 BOUNDED CONTEXT
      • 10장 이벤트
      • 11장 CQRS
    • JAVA 8 IN ACTION
      • 2장 동작 파라미터화 코드 전달하기
      • 3장 람다 표현식
      • 4장 스트림 소개
      • 5장 스트림 활용
      • 6장 스트림으로 데이터 수집
      • 7장 병렬 데이터 처리와 성능
      • 8장 리팩토링, 테스팅, 디버깅
      • 9장 디폴트 메서드
      • 10장 null 대신 Optional
      • 11장 CompletableFuture: 조합할 수 있는 비동기 프로그래밍
      • 12장 새로운 날짜와 시간 API
      • 13장 함수형 관점으로 생각하기
      • 14장 함수형 프로그래밍 기법
    • 객체지향과 디자인패턴
      • 객체 지향
      • 다형성과 추상 타입
      • 재사용: 상속보단 조립
      • 설계 원칙: SOLID
      • DI와 서비스 로케이터
      • 주요 디자인 패턴
        • 전략패턴
        • 템플릿 메서드 패턴
        • 상태 패턴
        • 데코레이터 패턴
        • 프록시 패턴
        • 어댑터 패턴
        • 옵저버 패턴
        • 파사드 패턴
        • 추상 팩토리 패턴
        • 컴포지트 패턴
    • NODE.JS
      • 1회차
      • 2회차
      • 3회차
      • 4회차
      • 6회차
      • 7회차
      • 8회차
      • 9회차
      • 10회차
      • 11회차
      • 12회차
      • mongoose
      • AWS란?
    • SRPING IN ACTION (5th)
      • Chap1. 스프링 시작하기
      • Chap 2. 웹 애플리케이션 개발하기
      • Chap 3. 데이터로 작업하기
      • Chap 4. 스프링 시큐리티
      • Chap 5. 구성 속성 사용하기
      • Chap 6. REST 서비스 생성하기
      • Chap 7. REST 서비스 사용하기
      • CHAP 8 비동기 메시지 전송하기
      • Chap 9. 스프링 통합하기
      • CHAP 10. 리액터 개요
      • CHAP 13. 서비스 탐구하기
      • CHAP 15. 실패와 지연 처리하기
      • CHAP 16. 스프링 부트 액추에이터 사용하기
    • 스프링부트 코딩 공작소
      • 스프링 부트를 왜 사용 해야 할까?
      • 첫 번째 스프링 부트 애플리케이션 개발하기
      • 구성을 사용자화 하기
      • 스프링부트 테스트하기
      • 액추에이터로 내부 들여다보기
    • ANGULAR 4
      • CHAPTER 1. A gentle introduction to ECMASCRIPT 6
      • CHAPTER 2. Diving into TypeScript
      • CHAPTER 3. The wonderful land of Web Components
      • CHAPTER 4. From zero to something
      • CHAPTER 5. The templating syntax
      • CHAPTER 6. Dependency injection
      • CHAPTER 7. Pipes
      • CHAPTER 8. Reactive Programming
      • CHAPTER 9. Building components and directives
      • CHAPTER 10. Styling components and encapsulation
      • CHAPTER 11. Services
      • CHAPTER 12. Testing your app
      • CHAPTER 13. Forms
      • CHAPTER 14. Send and receive data with Http
      • CHAPTER 15. Router
      • CHAPTER 16. Zones and the Angular magic
      • CHAPTER 17. This is the end
    • HTTP 완벽 가이드
      • 게이트웨이 vs 프록시
      • HTTP Header
      • REST API
      • HTTP Method 종류
        • HTTP Status Code
      • HTTP 2.x
  • REFERENCE
    • TECH BLOGS
      • 어썸데브블로그
      • NAVER D2
      • 우아한 형제들
      • 카카오
      • LINE
      • 스포카
      • 티몬
      • NHN
      • 마켓컬리
      • 쿠팡
      • 레진
      • 데일리 호텔
      • 지그재그
      • 스타일쉐어
      • 구글
      • 야놀자
    • ALGORITHM
      • 생활코딩
      • 프로그래머스
      • 백준
      • 알고스팟
      • 코딜리티
      • 구름
      • 릿코드
Powered by GitBook
On this page
  • AWS Personalize 란?
  • AWS 사용사례
  • 우리가 제공하고 싶은 기능은 무엇인가?
  • 그럼 AWS Personalize를 어떻게 구성하면 될까?
  • AWS Personalize를 어떻게 구성하면 좋을까?
  • 집계 데이터 수집하기
  • 집계 데이터 사용하기
  • 사용하면서 경험한 몇 가지 주의사항
  • AWS Personalize는 만능이 아니다
  • 비용적인 측면도 고려해야 한다
  • AWS Personalize를 사용해보며 내린 결론
  • 참고

Was this helpful?

  1. Question & Answer
  2. INFRA

AWS Personalize 적용 후기… 😰

Previous람다를 활용한 클라우드 와치 알림 받기NextCloudFront를 활용한 S3 성능 및 비용 개선

Last updated 1 year ago

Was this helpful?

AWS Personalize 란?

  • AWS 자체 구현된 머신러닝 기술을 이용하여 사용자가 데이터만 주입하면 개인화 추천 시스템을 제공해주는 서비스이다

  • AWS Personalize 의 가장 매력적인 부분은 사용자가 머신러닝 구현 기술에 대한 이해가 없어도 몇 가지 설정만으로 머신러닝 기술을 사용할 수 있다는 점이다

  • 그리고 단순히 추천을 해주는게 아닌 서비스 특성에 맞는 추천 시스템을 제공할 수 있다는 점이 장점이라고 할수 있다 (영상/커머스/사용자 커스텀)

AWS 사용사례

  • AWS Personalize 가이드 페이지를 살펴보면 실제로 많은 고객사들이 사용한 사례를 살펴볼 수 있다

    • 배달의 민족은 AWS Personalize를 사용하여 기존 클릭수를 24% 증가시키고 추천을 통한 작품 만족도도 15% 증가하는 결과를 얻었다고 한다

    • Brandi는 AWS Personalize를 도입한 이후에 클릭수가 8.6K → 9.8K까지 증가하였고, 방문자마다 상품 클릭률도 15% 정도 증가되었다는 성과를 공유하였다

    • 롯데마트는 AWS Personalize 도입 이후에 쿠폰 사용량이 2개 이상 증가하고 신제품 구매 빈도가 1.7배 증가하였다고 한다

AWS Personalize 사용사례

우리가 제공하고 싶은 기능은 무엇인가?

  • 우리는 사용자의 인터랙션에 따라서 어떤 취향의 작품을 좋아하는지 결과를 도출하고 관련 컨텐츠를 제공하는 기능이 필요하다.

  • 사용자에게 좀더 다양한 컨텐츠를 제공함으로써, 신규 작가님들에게 사용자 유입을 증가시키고, 사용자의 이탈률을 줄이고 활성 유지 시간을 증가시키는 것이 개인화 추천 기능의 목적이다.

그럼 AWS Personalize를 어떻게 구성하면 될까?

  1. 우선 데이터 그룹부터 생성해야 한다. 유형은 커스텀으로 생성한다

  2. 초기 기계학습에 필요한 데이터를 주입한다.

    1. S3에 CSV 형태로 저장해서 Personalize dataset 경로로 지정해주면 된다. ( item, user는 부가정보라 기계학습에 필요한 필수 데이터는 user_intercation 데이터이니 해당 데이터만 생성해도 우선은 솔루션을 생성할 수 있다 )

  3. 솔루션을 생성한다

    1. 솔루션 유형은 아이템 추천을 선택한다

    2. 레시피는 aws-user-personalize 를 선택한다.

      1. aws-sims : 인터랙션 기반으로 가장 유사한 아이템 순위 노출

      2. aws-similar-items : 인터랙션 기반으로 가장 유사한 아이템의 같은 카테고리의 아이템 순위 노출

      3. aws-personalized-ranking : 선별된 목록내에서 아이템 순위를 노출

      4. aws-user-personalization : 사용자 인터랙션 기반으로 사용자별 아이템 순위를 노출

      5. aws-trending-now : 최근 특정 시간 범위내에 가장 많은 인터랙션이 발생한 아이템 순위를 노출

      6. aws-popularity-count : 가장 많은 인터랙션이 발생한 아이템 순위 노출

    3. 옵션은 기본 옵션을 사용한다 (aws-user-personalize 레시피에 해당 하는 옵션)

      1. HPO : false ( 머신러닝할때 최적화할 옵션들을 설정할 수 있다. 처음엔 굳이 사용하지 않아도 된다 )

      2. User history length percentile : { min : 0.00, max : 0.99} ( 사용자의 전체 인터랙션 기록에서 몇 %의 범위를 사용할지 정의한다)

      3. Backpropagation through time : 32 ( 과거 히스토리를 얼마나 오랫동안 반영할지를 결정하는 수치이다. 수치가 작을 수록 최근 데이터를 더 많이 고려하여 계산하고, 수치가 클 수록 과거 데이터를 참고하여 계산하게 된다. )

      4. Hidden dimension : 149 ( 사용자와 아이템 간의 시퀀스 정보를 고려하여 수치가 클수록 복잡성이 커져 계산이 오래 걸리며 수치가 작을수록 계산이 빠르다)

      5. explorationWeight : 1 ( 이전의 인터랙션이 아닌 새로운 상품 위주로 추천해주고 싶을 경우, 0값이면 새로운 값은 추천하지 않는다 )

  4. 캠페인을 생성한다

    1. TPS(Transaction Per Seconds) : 100 (TPS는 초당 처리할 수 있는 요청수를 의미한다. 처리수가 낮을수록 계산이 오래걸리게 되며 요청에 대한 응답 대기 시간이 발생할 수 있다. 최댓값이 500인데 무조건 많이 처리하는건 비용적인 측면에서 불필요한 지출일 수 있으니 서비스 특성에 따라 적절한 값을 정하는게 중요하다)

  5. 이벤트 트래커를 생성한다

    1. 이벤트 트래커를 사용하는 이유는 실시간으로 사용자 인터랙션을 반영하여 아이템 순위를 갱신하기 위함이다.

AWS Personalize를 어떻게 구성하면 좋을까?

집계 데이터 수집하기

  1. 기존에 제공하던 API에서 반영하고 싶은 인터랙션을 취합하여 메시지큐로 전달한다

  2. 메시지큐에 전달된 데이터를 AuroraDB에 저장하여 기록을 남겨둔다

  3. 이벤트 트래커에 인터랙션 데이터를 호출하여 실시간으로 집계에 반영하도록 한다

사용자 집계를 하기 전에 주의할 점!!

실시간 데이터만으로는 ML에 필요한 데이터가 부족하여 집계를 할수 없다. 초기에는 인터랙션 데이터를 CSV로 작성하여 최소 1000개의 데이터가 필요하며 아이템과 사용자도 최소 30개 이상으로 작성해야 집계를 할수 있는 상태가 된다.

집계 데이터 사용하기

  1. 사용자 개인화 추천 기능을 호출하면 AWS Personalize에게 userId 기반으로 취향을 조회한다

  2. AWS Personalize에서 전달된 취향 기반으로 API에서 데이터를 가공하여 사용자에게 노출한다

사용하면서 경험한 몇 가지 주의사항

AWS Personalize는 만능이 아니다

  • 실제로 사용해보니 도출해주는 집계 데이터가 100% 정확하지는 않았다

  • event value에 더 높은 값을 부여해보거나 비중을 추가하고 싶은 만큼 빈도수를 늘려보았지만 의도한 대로 집계를 내려주지는 않았다…

  • 처음엔 집계할 데이터 군집이 적기 때문에 정확하지 않을 것이라 생각하고 우선 적용을 하고 시간을 두고 기다려보기로 하였다..

  • 그리고 집계에는 존재하지 않는 신규 데이터가 순위에 집계된 경우도 있었다. 이는 explorationWeight 값을 0으로 설정하여 해결할 수 있었다.

집계 데이터

user id
item id
event value

1

1

10

1

2

20

1

2

20

1

2

20

1

1

20

1

3

10

결과값

[
	{
		"itemId" : 3,
		"score" : 0.62***
	},
	{
		"itemId" : 2,
		"score" : 0.23***
	},
	{
		"itemId" : 4, // 이 아이템ㅇㄴ 넣어준적도 없는데..? 1번보다 더 높다..?ㅜㅜ
		"score" : 0.10***
	},
	{
		"itemId" : 1,
		"score" : 0.05***
	}
]

비용적인 측면도 고려해야 한다

  • 트래픽에 따라서 실시간으로 기계학습을 수행하기 때문에 인터랙션이 추가될 때마다 비용이 추가된다.

  • 비용 계산기로 대략적인 금액을 계산해보자

    • 월별 평균 수집 데이터 : 200 GB

    • 월별 평균 훈련 시간 : 10만건 (TPS당 훈련하는 횟수)

    • 데이터 세트의 사용자 수 : 200명

    • 월 비용 : 2,410 UDS(대략 250만원)

  • 초기에 사용자 유입이 많지는 않은데 Personalize를 도입해서 기대하는 효과를 볼수 있는 환경이 아니라면 도입 시기를 늦추는게 좋을 듯 하다 (체감상 비용 부담이 많이 된다..ㅜㅜ)

AWS Personalize를 사용해보며 내린 결론

  • AWS Personalize를 처음에 적극 도입하려던 이유는 10분 이내에 개인화 추천 시스템을 구축할 수 있다는 장점이었다

  • 실제로도 몇번의 클릭으로 바로 구축할수는 있었다.

  • 그러나 주의사항에서도 작성하였는데 우리가 의도한 대로 랭킹이 집계되지 않았고, 기계학습에 맞게 데이터나 설정 정보를 변경하더라도 내부는 블랙박스로 되어있어 커스텀하는데에는 한계가 있었다…ㅜ

  • 그리고 개인화 추천기능으로 유입된 사용자에 대한 마케팅 전략이지 신규 사용자를 유입하기란 힘든 부분이 있어서 사용자가 적은 앱에서 Personalize를 제공하기에는 비용적인 부담이 사실 많이 컸다

  • 결론적으로는 Personalize를 걷어내고 우리가 의도한 알고리즘대로 수행할 수 있게 직접 구현하기로 하였다.

  • 이미 Event tracker에 전송하기 위해 사용자별 취향 점수를 계산하고 있었기 때문에 집계하는 로직만 추가적으로 구현하면 되기 때문에 그렇게 큰 작업은 아니었다.

  • 확실히 thrid party나 라이브러리를 사용하는건 편리하지만 그 만큼 우리 입맞에 맞추는건 더 많은 노력과 시간이 필요하고 어느 경우엔 라이브러리에 맞춰서 기획 내용을 변경해야 하는 경우도 생기는건 어쩔수 없는것 같다는 생각이다.

참고

https://aws.amazon.com/ko/blogs/korea/category/artificial-intelligence/amazon-personalize/
https://aws.amazon.com/ko/personalize/
https://www.awsstartup.io/ai-ml/personalized-recommendations
https://www.megazone.com/awstechblog_221226/
https://labs.brandi.co.kr//2019/10/04/dev1team.html